를 사용한 Amazon Comprehend Medical 예제 AWS CLI - AWS SDK 코드 예제
작업

AWS Doc SDK ExamplesWord AWS SDK 리포지토리에는 더 많은 GitHub 예제가 있습니다.

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

를 사용한 Amazon Comprehend Medical 예제 AWS CLI

다음 코드 예제에서는 Amazon Comprehend Medical과 AWS Command Line Interface 함께를 사용하여 작업을 수행하고 일반적인 시나리오를 구현하는 방법을 보여줍니다.

작업은 대규모 프로그램에서 발췌한 코드이며 컨텍스트에 맞춰 실행해야 합니다. 작업은 개별 서비스 함수를 직접적으로 호출하는 방법을 보여주며 관련 시나리오의 컨텍스트에 맞는 작업을 볼 수 있습니다.

각 예제에는 컨텍스트에서 코드를 설정하고 실행하는 방법에 대한 지침을 찾을 수 있는 전체 소스 코드에 대한 링크가 포함되어 있습니다.

주제

작업

다음 코드 예시에서는 describe-entities-detection-v2-job을 사용하는 방법을 보여 줍니다.

AWS CLI

엔터티 감지 작업을 설명하려면

다음 describe-entities-detection-v2-job 예제에서는 비동기 엔터티 감지 작업과 연결된 속성을 표시합니다.

aws comprehendmedical describe-entities-detection-v2-job \
    --job-id "ab9887877365fe70299089371c043b96"

출력:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "ab9887877365fe70299089371c043b96",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-03-18T21:20:15.614000+00:00",
        "EndTime": "2020-03-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-07-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": ""
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "867139942017-EntitiesDetection-ab9887877365fe70299089371c043b96/"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "DetectEntitiesModelV20190930"
    }
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 배치 APIs를 참조하세요.

다음 코드 예시에서는 describe-icd10-cm-inference-job을 사용하는 방법을 보여 줍니다.

AWS CLI

ICD-10-CM 추론 작업을 설명하려면

다음 describe-icd10-cm-inference-job 예제에서는 지정된 작업 ID를 사용하여 요청된 추론 작업의 속성을 설명합니다.

aws comprehendmedical describe-icd10-cm-inference-job \
    --job-id "5780034166536cdb52ffa3295a1b00a7"

출력:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "5780034166536cdb52ffa3295a1b00a7",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-05-18T21:20:15.614000+00:00",
        "EndTime": "2020-05-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-09-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion":  "0.1.0"
    }
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.

다음 코드 예시에서는 describe-phi-detection-job을 사용하는 방법을 보여 줍니다.

AWS CLI

PHI 감지 작업을 설명하려면

다음 describe-phi-detection-job 예제에서는 비동기식 보호된 상태 정보(PHI) 감지 작업과 연결된 속성을 표시합니다.

aws comprehendmedical describe-phi-detection-job \
    --job-id "4750034166536cdb52ffa3295a1b00a3"

출력:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "4750034166536cdb52ffa3295a1b00a3",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
        "EndTime": "2020-03-19T20:45:07.894000+00:00",
        "ExpirationTime": "2020-07-17T20:38:37+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": ""
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "867139942017-PHIDetection-4750034166536cdb52ffa3295a1b00a3/"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "PHIModelV20190903"
    }
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 배치 APIs를 참조하세요.

다음 코드 예시에서는 describe-rx-norm-inference-job을 사용하는 방법을 보여 줍니다.

AWS CLI

RxNorm 추론 작업을 설명하려면

다음 describe-rx-norm-inference-job 예제에서는 지정된 job-id를 사용하여 요청된 추론 작업의 속성을 설명합니다.

aws comprehendmedical describe-rx-norm-inference-job \
    --job-id "eg8199877365fc70299089371c043b96"

출력:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "g8199877365fc70299089371c043b96",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2020-05-18T21:20:15.614000+00:00",
        "EndTime": "2020-05-18T21:27:07.350000+00:00",
        "ExpirationTime": "2020-09-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion": "0.0.0"
    }
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.

다음 코드 예시에서는 describe-snomedct-inference-job을 사용하는 방법을 보여 줍니다.

AWS CLI

SNOMED CT 추론 작업을 설명하려면

다음 describe-snomedct-inference-job 예제에서는 지정된 작업 ID를 사용하여 요청된 추론 작업의 속성을 설명합니다.

aws comprehendmedical describe-snomedct-inference-job \
    --job-id "2630034166536cdb52ffa3295a1b00a7"

출력:

{
    "ComprehendMedicalAsyncJobProperties": {
        "JobId": "2630034166536cdb52ffa3295a1b00a7",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2021-12-18T21:20:15.614000+00:00",
        "EndTime": "2021-12-18T21:27:07.350000+00:00",
        "ExpirationTime": "2022-05-16T21:20:15+00:00",
        "InputDataConfig": {
            "S3Bucket": "comp-med-input",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "OutputDataConfig": {
            "S3Bucket": "comp-med-output",
            "S3Key": "AKIAIOSFODNN7EXAMPLE"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
        "ModelVersion":  "0.1.0"
    }
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.

다음 코드 예시에서는 detect-entities-v2을 사용하는 방법을 보여 줍니다.

AWS CLI

예제 1: 텍스트에서 직접 엔터티를 감지하려면

다음 detect-entities-v2 예제에서는 감지된 엔터티를 보여주고 입력 텍스트에서 직접 유형에 따라 레이블을 지정합니다.

aws comprehendmedical detect-entities-v2 \
    --text "Sleeping trouble on present dosage of Clonidine. Severe rash on face and leg, slightly itchy."

출력:

{
    "Id": 0,
    "BeginOffset": 38,
    "EndOffset": 47,
    "Score": 0.9942955374717712,
    "Text": "Clonidine",
    "Category": "MEDICATION",
    "Type": "GENERIC_NAME",
    "Traits": []
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Detect Entities 버전 2를 참조하세요.

예제 2: 파일 경로에서 엔터티 감지

다음 detect-entities-v2 예제에서는 감지된 엔터티를 보여주고 파일 경로의 유형에 따라 레이블을 지정합니다.

aws comprehendmedical detect-entities-v2 \
    --text file://medical_entities.txt

medical_entities.txt의 콘텐츠:

{
    "Sleeping trouble on present dosage of Clonidine. Severe rash on face and leg, slightly itchy."
}

출력:

{
    "Id": 0,
    "BeginOffset": 38,
    "EndOffset": 47,
    "Score": 0.9942955374717712,
    "Text": "Clonidine",
    "Category": "MEDICATION",
    "Type": "GENERIC_NAME",
    "Traits": []
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Detect Entities 버전 2를 참조하세요.

  • API 세부 정보는 AWS CLI 명령 참조의 DetectEntitiesV2를 참조하세요.

다음 코드 예시에서는 detect-phi을 사용하는 방법을 보여 줍니다.

AWS CLI

예제 1: 텍스트에서 보호된 상태 정보(PHI)를 직접 감지하려면

다음 detect-phi 예제에서는 입력 텍스트에서 직접 감지된 보호된 상태 정보(PHI) 엔터티를 표시합니다.

aws comprehendmedical detect-phi \
    --text "Patient Carlos Salazar presented with rash on his upper extremities and dry cough. He lives at 100 Main Street, Anytown, USA where he works from his home as a carpenter."

출력:

{
    "Entities": [
        {
            "Id": 0,
            "BeginOffset": 8,
            "EndOffset": 21,
            "Score": 0.9914507269859314,
            "Text": "Carlos Salazar",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "NAME",
            "Traits": []
        },
        {
            "Id": 1,
            "BeginOffset": 94,
            "EndOffset": 109,
            "Score": 0.871849775314331,
            "Text": "100 Main Street, Anytown, USA",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "ADDRESS",
            "Traits": []
        },
        {
            "Id": 2,
            "BeginOffset": 145,
            "EndOffset": 154,
            "Score": 0.8302185535430908,
            "Text": "carpenter",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "PROFESSION",
            "Traits": []
        }
    ],
    "ModelVersion": "0.0.0"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Detect PHI를 참조하세요.

예제 2: 파일 경로에서 직접 보호 상태 정보(PHI) 감지

다음 detect-phi 예제는 파일 경로에서 감지된 보호된 상태 정보(PHI) 엔터티를 보여줍니다.

aws comprehendmedical detect-phi \
    --text file://phi.txt

phi.txt의 콘텐츠:

"Patient Carlos Salazar presented with a rash on his upper extremities and a dry cough. He lives at 100 Main Street, Anytown, USA, where he works from his home as a carpenter."

출력:

{
    "Entities": [
        {
            "Id": 0,
            "BeginOffset": 8,
            "EndOffset": 21,
            "Score": 0.9914507269859314,
            "Text": "Carlos Salazar",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "NAME",
            "Traits": []
        },
        {
            "Id": 1,
            "BeginOffset": 94,
            "EndOffset": 109,
            "Score": 0.871849775314331,
            "Text": "100 Main Street, Anytown, USA",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "ADDRESS",
            "Traits": []
        },
        {
            "Id": 2,
            "BeginOffset": 145,
            "EndOffset": 154,
            "Score": 0.8302185535430908,
            "Text": "carpenter",
            "Category": "PROTECTED_HEALTH_INFORMATION",
            "Type": "PROFESSION",
            "Traits": []
        }
    ],
    "ModelVersion": "0.0.0"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Detect PHI를 참조하세요.

  • API 세부 정보는 AWS CLI 명령 참조의 DetectPhi를 참조하세요.

다음 코드 예시에서는 infer-icd10-cm을 사용하는 방법을 보여 줍니다.

AWS CLI

예제 1: 의학적 상태 엔터티를 감지하고 텍스트에서 직접 ICD-10-CM Ontology에 연결하려면

다음 infer-icd10-cm 예제에서는 감지된 의학적 상태 엔터티에 레이블을 지정하고 해당 엔터티를 2019년 국제 질병 분류 임상 수정(ICD-10-CM) 에디션의 코드와 연결합니다.

aws comprehendmedical infer-icd10-cm \
    --text "The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."

출력:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9475538730621338,
            "BeginOffset": 28,
            "EndOffset": 42,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6724207401275635
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Unspecified abdominal pain",
                    "Code": "R10.9",
                    "Score": 0.6904221177101135
                },
                {
                    "Description": "Epigastric pain",
                    "Code": "R10.13",
                    "Score": 0.1364113688468933
                },
                {
                    "Description": "Generalized abdominal pain",
                    "Code": "R10.84",
                    "Score": 0.12508003413677216
                },
                {
                    "Description": "Left lower quadrant pain",
                    "Code": "R10.32",
                    "Score": 0.10063883662223816
                },
                {
                    "Description": "Lower abdominal pain, unspecified",
                    "Code": "R10.30",
                    "Score": 0.09933677315711975
                }
            ]
        },
        {
            "Id": 1,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9899052977561951,
            "BeginOffset": 75,
            "EndOffset": 83,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9258432388305664
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Type 2 diabetes mellitus without complications",
                    "Code": "E11.9",
                    "Score": 0.7158446311950684
                },
                {
                    "Description": "Family history of diabetes mellitus",
                    "Code": "Z83.3",
                    "Score": 0.5704703330993652
                },
                {
                    "Description": "Family history of other endocrine, nutritional and metabolic diseases",
                    "Code": "Z83.49",
                    "Score": 0.19856023788452148
                },
                {
                    "Description": "Type 1 diabetes mellitus with ketoacidosis without coma",
                    "Code": "E10.10",
                    "Score": 0.13285516202449799
                },
                {
                    "Description": "Type 2 diabetes mellitus with hyperglycemia",
                    "Code": "E11.65",
                    "Score": 0.0993388369679451
                }
            ]
        }
    ],
    "ModelVersion": "0.1.0"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 추론 ICD10-CM을 참조하세요.

예제 2: 의학적 상태 엔터티를 감지하고 파일 경로에서 ICD-10-CM Ontology에 연결

다음 infer-icd-10-cm 예제에서는 감지된 의학적 상태 엔터티에 레이블을 지정하고 해당 엔터티를 2019년 국제 질병 분류 임상 수정판(ICD-10-CM)의 코드와 연결합니다.

aws comprehendmedical infer-icd10-cm \
    --text file://icd10cm.txt

icd10cm.txt의 콘텐츠:

{
    "The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."
}

출력:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9475538730621338,
            "BeginOffset": 28,
            "EndOffset": 42,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6724207401275635
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Unspecified abdominal pain",
                    "Code": "R10.9",
                    "Score": 0.6904221177101135
                },
                {
                    "Description": "Epigastric pain",
                    "Code": "R10.13",
                    "Score": 0.1364113688468933
                },
                {
                    "Description": "Generalized abdominal pain",
                    "Code": "R10.84",
                    "Score": 0.12508003413677216
                },
                {
                    "Description": "Left lower quadrant pain",
                    "Code": "R10.32",
                    "Score": 0.10063883662223816
                },
                {
                    "Description": "Lower abdominal pain, unspecified",
                    "Code": "R10.30",
                    "Score": 0.09933677315711975
                }
            ]
        },
        {
            "Id": 1,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Score": 0.9899052977561951,
            "BeginOffset": 75,
            "EndOffset": 83,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9258432388305664
                }
            ],
            "ICD10CMConcepts": [
                {
                    "Description": "Type 2 diabetes mellitus without complications",
                    "Code": "E11.9",
                    "Score": 0.7158446311950684
                },
                {
                    "Description": "Family history of diabetes mellitus",
                    "Code": "Z83.3",
                    "Score": 0.5704703330993652
                },
                {
                    "Description": "Family history of other endocrine, nutritional and metabolic diseases",
                    "Code": "Z83.49",
                    "Score": 0.19856023788452148
                },
                {
                    "Description": "Type 1 diabetes mellitus with ketoacidosis without coma",
                    "Code": "E10.10",
                    "Score": 0.13285516202449799
                },
                {
                    "Description": "Type 2 diabetes mellitus with hyperglycemia",
                    "Code": "E11.65",
                    "Score": 0.0993388369679451
                }
            ]
        }
    ],
    "ModelVersion": "0.1.0"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Infer-ICD10-CM을 참조하세요.

  • API 세부 정보는 AWS CLI 명령 참조의 InferIcd10Cm을 참조하세요.

다음 코드 예시에서는 infer-rx-norm을 사용하는 방법을 보여 줍니다.

AWS CLI

예제 1: 약물 엔터티를 감지하고 텍스트에서 RxNorm 에 직접 연결

다음 infer-rx-norm 예제는 감지된 약물 엔터티를 표시하고 레이블을 지정하며 해당 엔터티를 National Library of MedicineCUI 데이터베이스의 개념 식별자(Rx RxNorm )에 연결합니다.

aws comprehendmedical infer-rx-norm \
    --text "Patient reports taking Levothyroxine 125 micrograms p.o. once daily, but denies taking Synthroid."

출력:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "Levothyroxine",
            "Category": "MEDICATION",
            "Type": "GENERIC_NAME",
            "Score": 0.9996285438537598,
            "BeginOffset": 23,
            "EndOffset": 36,
            "Attributes": [
                {
                    "Type": "DOSAGE",
                    "Score": 0.9892290830612183,
                    "RelationshipScore": 0.9997978806495667,
                    "Id": 1,
                    "BeginOffset": 37,
                    "EndOffset": 51,
                    "Text": "125 micrograms",
                    "Traits": []
                },
                {
                    "Type": "ROUTE_OR_MODE",
                    "Score": 0.9988924860954285,
                    "RelationshipScore": 0.998291552066803,
                    "Id": 2,
                    "BeginOffset": 52,
                    "EndOffset": 56,
                    "Text": "p.o.",
                    "Traits": []
                },
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9953463673591614,
                    "RelationshipScore": 0.9999889135360718,
                    "Id": 3,
                    "BeginOffset": 57,
                    "EndOffset": 67,
                    "Text": "once daily",
                    "Traits": []
                }
            ],
            "Traits": [],
            "RxNormConcepts": [
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet",
                    "Code": "966224",
                    "Score": 0.9912070631980896
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Capsule",
                    "Code": "966405",
                    "Score": 0.8698278665542603
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.7448257803916931
                },
                {
                    "Description": "levothyroxine",
                    "Code": "10582",
                    "Score": 0.7050482630729675
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Levoxyl]",
                    "Code": "966190",
                    "Score": 0.6921631693840027
                }
            ]
        },
        {
            "Id": 4,
            "Text": "Synthroid",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Score": 0.9946461319923401,
            "BeginOffset": 86,
            "EndOffset": 95,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "NEGATION",
                    "Score": 0.5167351961135864
                }
            ],
            "RxNormConcepts": [
                {
                    "Description": "Synthroid",
                    "Code": "224920",
                    "Score": 0.9462039470672607
                },
                {
                    "Description": "Levothyroxine Sodium 0.088 MG Oral Tablet [Synthroid]",
                    "Code": "966282",
                    "Score": 0.8309829235076904
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.4945160448551178
                },
                {
                    "Description": "Levothyroxine Sodium 0.05 MG Oral Tablet [Synthroid]",
                    "Code": "966247",
                    "Score": 0.3674522042274475
                },
                {
                    "Description": "Levothyroxine Sodium 0.025 MG Oral Tablet [Synthroid]",
                    "Code": "966158",
                    "Score": 0.2588822841644287
                }
            ]
        }
    ],
    "ModelVersion": "0.0.0"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Infer RxNorm를 참조하세요.

예 2: 약물 엔터티를 감지하고 파일 경로에서 RxNorm 에 연결하기.

다음 infer-rx-norm 예제는 감지된 약물 엔터티를 표시하고 레이블을 지정하며 해당 엔터티를 National Library of MedicineCUI 데이터베이스의 개념 식별자(Rx RxNorm )에 연결합니다.

aws comprehendmedical infer-rx-norm \
    --text file://rxnorm.txt

rxnorm.txt의 콘텐츠:

{
    "Patient reports taking Levothyroxine 125 micrograms p.o. once daily, but denies taking Synthroid."
}

출력:

{
    "Entities": [
        {
            "Id": 0,
            "Text": "Levothyroxine",
            "Category": "MEDICATION",
            "Type": "GENERIC_NAME",
            "Score": 0.9996285438537598,
            "BeginOffset": 23,
            "EndOffset": 36,
            "Attributes": [
                {
                    "Type": "DOSAGE",
                    "Score": 0.9892290830612183,
                    "RelationshipScore": 0.9997978806495667,
                    "Id": 1,
                    "BeginOffset": 37,
                    "EndOffset": 51,
                    "Text": "125 micrograms",
                    "Traits": []
                },
                {
                    "Type": "ROUTE_OR_MODE",
                    "Score": 0.9988924860954285,
                    "RelationshipScore": 0.998291552066803,
                    "Id": 2,
                    "BeginOffset": 52,
                    "EndOffset": 56,
                    "Text": "p.o.",
                    "Traits": []
                },
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9953463673591614,
                    "RelationshipScore": 0.9999889135360718,
                    "Id": 3,
                    "BeginOffset": 57,
                    "EndOffset": 67,
                    "Text": "once daily",
                    "Traits": []
                }
            ],
            "Traits": [],
            "RxNormConcepts": [
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet",
                    "Code": "966224",
                    "Score": 0.9912070631980896
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Capsule",
                    "Code": "966405",
                    "Score": 0.8698278665542603
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.7448257803916931
                },
                {
                    "Description": "levothyroxine",
                    "Code": "10582",
                    "Score": 0.7050482630729675
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Levoxyl]",
                    "Code": "966190",
                    "Score": 0.6921631693840027
                }
            ]
        },
        {
            "Id": 4,
            "Text": "Synthroid",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Score": 0.9946461319923401,
            "BeginOffset": 86,
            "EndOffset": 95,
            "Attributes": [],
            "Traits": [
                {
                    "Name": "NEGATION",
                    "Score": 0.5167351961135864
                }
            ],
            "RxNormConcepts": [
                {
                    "Description": "Synthroid",
                    "Code": "224920",
                    "Score": 0.9462039470672607
                },
                {
                    "Description": "Levothyroxine Sodium 0.088 MG Oral Tablet [Synthroid]",
                    "Code": "966282",
                    "Score": 0.8309829235076904
                },
                {
                    "Description": "Levothyroxine Sodium 0.125 MG Oral Tablet [Synthroid]",
                    "Code": "966191",
                    "Score": 0.4945160448551178
                },
                {
                    "Description": "Levothyroxine Sodium 0.05 MG Oral Tablet [Synthroid]",
                    "Code": "966247",
                    "Score": 0.3674522042274475
                },
                {
                    "Description": "Levothyroxine Sodium 0.025 MG Oral Tablet [Synthroid]",
                    "Code": "966158",
                    "Score": 0.2588822841644287
                }
            ]
        }
    ],
    "ModelVersion": "0.0.0"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Infer RxNorm를 참조하세요.

  • API 세부 정보는 AWS CLI 명령 참조의 InferRxNorm를 참조하세요.

다음 코드 예시에서는 infer-snomedct을 사용하는 방법을 보여 줍니다.

AWS CLI

예: 엔터티를 감지하고 텍스트에서 직접 SNOMED CT Ontology에 연결하려면

다음 infer-snomedct 예제에서는 의료 엔터티를 감지하고 2021년 3월 버전의 체계화된 의학 명명법, 임상 용어(SNOMED CT)의 개념에 연결하는 방법을 보여줍니다.

aws comprehendmedical infer-snomedct \
    --text "The patient complains of abdominal pain, has a long-standing history of diabetes treated with Micronase daily."

출력:

{
    "Entities": [
        {
            "Id": 3,
            "BeginOffset": 26,
            "EndOffset": 40,
            "Score": 0.9598260521888733,
            "Text": "abdominal pain",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Traits": [
                {
                    "Name": "SYMPTOM",
                    "Score": 0.6819021701812744
                }
            ]
        },
        {
            "Id": 4,
            "BeginOffset": 73,
            "EndOffset": 81,
            "Score": 0.9905840158462524,
            "Text": "diabetes",
            "Category": "MEDICAL_CONDITION",
            "Type": "DX_NAME",
            "Traits": [
                {
                    "Name": "DIAGNOSIS",
                    "Score": 0.9255214333534241
                }
            ]
        },
        {
            "Id": 1,
            "BeginOffset": 95,
            "EndOffset": 104,
            "Score": 0.6371926665306091,
            "Text": "Micronase",
            "Category": "MEDICATION",
            "Type": "BRAND_NAME",
            "Traits": [],
            "Attributes": [
                {
                    "Type": "FREQUENCY",
                    "Score": 0.9761165380477905,
                    "RelationshipScore": 0.9984188079833984,
                    "RelationshipType": "FREQUENCY",
                    "Id": 2,
                    "BeginOffset": 105,
                    "EndOffset": 110,
                    "Text": "daily",
                    "Category": "MEDICATION",
                    "Traits": []
                }
            ]
        }
    ],
    "UnmappedAttributes": [],
    "ModelVersion": "1.0.0"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 InferSNOMEDCT를 참조하세요.

  • API 세부 정보는 AWS CLI 명령 참조의 InferSnomedct를 참조하세요.

다음 코드 예시에서는 list-entities-detection-v2-jobs을 사용하는 방법을 보여 줍니다.

AWS CLI

개체 감지 작업을 나열하려면

다음 list-entities-detection-v2-jobs 예제에서는 현재 비동기 감지 작업을 나열합니다.

aws comprehendmedical list-entities-detection-v2-jobs

출력:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "ab9887877365fe70299089371c043b96",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
            "EndTime": "2020-03-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-07-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": ""
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "867139942017-EntitiesDetection-ab9887877365fe70299089371c043b96/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "DetectEntitiesModelV20190930"
        }
    ]
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 배치 APIs를 참조하세요.

다음 코드 예시에서는 list-icd10-cm-inference-jobs을 사용하는 방법을 보여 줍니다.

AWS CLI

현재 ICD-10-CM 추론 작업을 모두 나열하려면

다음 예제에서는 list-icd10-cm-inference-jobs 작업이 현재 비동기 ICD-10-CM 배치 추론 작업 목록을 반환하는 방법을 보여줍니다.

aws comprehendmedical list-icd10-cm-inference-jobs

출력:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "5780034166536cdb52ffa3295a1b00a7",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion":  "0.1.0"
        }
    ]
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.

다음 코드 예시에서는 list-phi-detection-jobs을 사용하는 방법을 보여 줍니다.

AWS CLI

보호된 상태 정보(PHI) 감지 작업을 나열하려면

다음 list-phi-detection-jobs 예제에서는 현재 보호되는 상태 정보(PHI) 감지 작업을 나열합니다.

aws comprehendmedical list-phi-detection-jobs

출력:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "4750034166536cdb52ffa3295a1b00a3",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-03-19T20:38:37.594000+00:00",
            "EndTime": "2020-03-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-07-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": ""
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "867139942017-PHIDetection-4750034166536cdb52ffa3295a1b00a3/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "PHIModelV20190903"
        }
    ]
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 배치 APIs를 참조하세요.

다음 코드 예시에서는 list-rx-norm-inference-jobs을 사용하는 방법을 보여 줍니다.

AWS CLI

현재 Rx-Norm 추론 작업을 모두 나열하려면

다음 예제에서는가 현재 비동기 Rx-Norm 배치 추론 작업 목록을 list-rx-norm-inference-jobs 반환하는 방법을 보여줍니다.

aws comprehendmedical list-rx-norm-inference-jobs

출력:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "4980034166536cfb52gga3295a1b00a3",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion": "0.0.0"
        }
    ]
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.

다음 코드 예시에서는 list-snomedct-inference-jobs을 사용하는 방법을 보여 줍니다.

AWS CLI

모든 SNOMED CT 추론 작업을 나열하려면

다음 예제에서는 list-snomedct-inference-jobs 작업이 현재 비동기 SNOMED CT 배치 추론 작업 목록을 반환하는 방법을 보여줍니다.

aws comprehendmedical list-snomedct-inference-jobs

출력:

{
    "ComprehendMedicalAsyncJobPropertiesList": [
        {
            "JobId": "5780034166536cdb52ffa3295a1b00a7",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2020-05-19T20:38:37.594000+00:00",
            "EndTime": "2020-05-19T20:45:07.894000+00:00",
            "ExpirationTime": "2020-09-17T20:38:37+00:00",
            "InputDataConfig": {
                "S3Bucket": "comp-med-input",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "OutputDataConfig": {
                "S3Bucket": "comp-med-output",
                "S3Key": "AKIAIOSFODNN7EXAMPLE"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole",
            "ModelVersion":  "0.1.0"
        }
    ]
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.

다음 코드 예시에서는 start-entities-detection-v2-job을 사용하는 방법을 보여 줍니다.

AWS CLI

엔터티 감지 작업을 시작하려면

다음 start-entities-detection-v2-job 예제에서는 비동기 엔터티 감지 작업을 시작합니다.

aws comprehendmedical start-entities-detection-v2-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

출력:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 배치 APIs를 참조하세요.

다음 코드 예시에서는 start-icd10-cm-inference-job을 사용하는 방법을 보여 줍니다.

AWS CLI

ICD-10-CM 추론 작업을 시작하려면

다음 start-icd10-cm-inference-job 예제에서는 ICD-10-CM 추론 배치 분석 작업을 시작합니다.

aws comprehendmedical start-icd10-cm-inference-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

출력:

{
    "JobId": "ef7289877365fc70299089371c043b96"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.

다음 코드 예시에서는 start-phi-detection-job을 사용하는 방법을 보여 줍니다.

AWS CLI

PHI 감지 작업을 시작하려면

다음 start-phi-detection-job 예제에서는 비동기 PHI 엔터티 감지 작업을 시작합니다.

aws comprehendmedical start-phi-detection-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

출력:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 배치 APIs를 참조하세요.

다음 코드 예시에서는 start-rx-norm-inference-job을 사용하는 방법을 보여 줍니다.

AWS CLI

RxNorm 추론 작업을 시작하려면

다음 start-rx-norm-inference-job 예제에서는 RxNorm 추론 배치 분석 작업을 시작합니다.

aws comprehendmedical start-rx-norm-inference-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

출력:

{
    "JobId": "eg8199877365fc70299089371c043b96"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.

다음 코드 예시에서는 start-snomedct-inference-job을 사용하는 방법을 보여 줍니다.

AWS CLI

SNOMED CT 추론 작업을 시작하려면

다음 start-snomedct-inference-job 예제에서는 SNOMED CT 추론 배치 분석 작업을 시작합니다.

aws comprehendmedical start-snomedct-inference-job \
    --input-data-config "S3Bucket=comp-med-input" \
    --output-data-config "S3Bucket=comp-med-output" \
    --data-access-role-arn arn:aws:iam::867139942017:role/ComprehendMedicalBatchProcessingRole \
    --language-code en

출력:

{
    "JobId": "dg7289877365fc70299089371c043b96"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.

다음 코드 예시에서는 stop-entities-detection-v2-job을 사용하는 방법을 보여 줍니다.

AWS CLI

개체 감지 작업을 중지하려면

다음 stop-entities-detection-v2-job 예제에서는 비동기 엔터티 감지 작업을 중지합니다.

aws comprehendmedical stop-entities-detection-v2-job \
    --job-id "ab9887877365fe70299089371c043b96"

출력:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 배치 APIs를 참조하세요.

다음 코드 예시에서는 stop-icd10-cm-inference-job을 사용하는 방법을 보여 줍니다.

AWS CLI

ICD-10-CM 추론 작업을 중지하려면

다음 stop-icd10-cm-inference-job 예제에서는 ICD-10-CM 추론 배치 분석 작업을 중지합니다.

aws comprehendmedical stop-icd10-cm-inference-job \
    --job-id "4750034166536cdb52ffa3295a1b00a3"

출력:

{
    "JobId": "ef7289877365fc70299089371c043b96",
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.

다음 코드 예시에서는 stop-phi-detection-job을 사용하는 방법을 보여 줍니다.

AWS CLI

보호된 상태 정보(PHI) 감지 작업을 중지하려면

다음 stop-phi-detection-job 예제에서는 비동기식 보호된 상태 정보(PHI) 감지 작업을 중지합니다.

aws comprehendmedical stop-phi-detection-job \
    --job-id "4750034166536cdb52ffa3295a1b00a3"

출력:

{
    "JobId": "ab9887877365fe70299089371c043b96"
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Batch APIs를 참조하세요.

다음 코드 예시에서는 stop-rx-norm-inference-job을 사용하는 방법을 보여 줍니다.

AWS CLI

RxNorm 추론 작업을 중지하려면

다음 stop-rx-norm-inference-job 예제에서는 ICD-10-CM 추론 배치 분석 작업을 중지합니다.

aws comprehendmedical stop-rx-norm-inference-job \
    --job-id "eg8199877365fc70299089371c043b96"

출력:

{
    "JobId": "eg8199877365fc70299089371c043b96",
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.

다음 코드 예시에서는 stop-snomedct-inference-job을 사용하는 방법을 보여 줍니다.

AWS CLI

SNOMED CT 추론 작업을 중지하려면

다음 stop-snomedct-inference-job 예제에서는 SNOMED CT 추론 배치 분석 작업을 중지합니다.

aws comprehendmedical stop-snomedct-inference-job \
    --job-id "8750034166436cdb52ffa3295a1b00a1"

출력:

{
    "JobId": "8750034166436cdb52ffa3295a1b00a1",
}

자세한 내용은 Amazon Comprehend Medical 개발자 안내서의 Ontology 연결 배치 분석을 참조하세요.